Automatisk design av säkra, med hög prestanda och kompakta, med djup lärning modeler för självgående fordom

Syfte och mål

Deep Neural Networks (djupa neurala nätverk) (DNN) används alltmer för att stödja beslutsfattande i autonoma fordon. Hög DNN-noggrannhet ställer höga beräknings-, lagrings- och minnesbandbreddskrav, vilket gör dess distribution särskilt utmanande, speciellt för fordonsinbäddade datorplattformar. I det här projektet kommer vi att utveckla ett automatiskt ramverk för att uppnå prestanda, kompakthet och robusthet i design och anpassning av DNN för säkerhetskritiska applikationer såsom avsiktsdetektering för autonoma fordon för väg och byggnation.

Förväntade effekter och resultat

Projektets förväntade resultat är design- och optimeringsmetoder för DNN i säkerhetskritiska fordonstillämpningar. Projektet kommer att ge ny kunskap för att utvidga den senaste tekniken inom området för djupinlärningsapplikationer. Resultaten förväntas också ha en betydande inverkan på praxis när det gäller nya och utökade utvecklingsmodeller, prototyper och industriella demonstratörer. Planen är att också sprida projektresultaten till en bredare publik i form av internationella publikationer. Projektet förväntas producera två licentiatavhandlingar.

Planerat upplägg och genomförande

Det första arbetspaketet handlar om optimering av DNN -modeller. För att välja den inbäddade vänliga arkitekturen, kommer vi att utveckla ett automatiskt ramverk som utformar en mycket optimerad uppsättning DNN-arkitekturer som ska distribueras på inbäddade datorplattformar. Den andra WP handlar om säkerhet och robusthet hos DNN-modeller där vi överväger effekten av kontroversiella och oavsiktliga störningar på DNN: s robusthet. Den tredje WP syftar till att AutoDeep med hjälp av den interna testbädden i ett autonomt fordon tillsammans med industriella fallstudier.